在CNN中，為了增大資料量避免模型的過擬合，通常都會對訓練資料做資料增強處理，這篇文章主要介紹在Inception Net中是如何做資料增強的，tensorflow官方透過slim已經實現了VGG、Inception、LeNet網路的資料增強的，官網連結如下：https://github.com/tensorflow/models/tree/master/research/slim/preprocessing，Inception Net資料增強主要包括以下幾個部分：

1、將圖片的畫素縮放到[0,1)

#將圖片的畫素值縮放到[0,1)

image = tf.image.convert_image_dtype(image, dtype=tf.float32)

2、隨機裁剪圖片

image：一個3維的圖片tensor，資料的取值範圍在[0,1]，即表示已經做了歸一化後的圖片

bbox：box的邊框，[ymin,xmin,ymax,xmax]，預設是[0,0,1,1]表示使用的是整張圖片

min_object_covered：在隨機裁剪圖片的時候必須要包括box邊框的比例

aspect_ratio_range：隨機裁剪的圖片,寬/高的比例需要滿足的範圍

area_range：隨機裁剪的圖片需要佔圖片的比例

max_attempts：隨機裁剪，嘗試的最多次數，超過最大嘗試次數返回整張圖片

返回的是一張裁剪之後的圖片和隨機裁剪所選的區域，後面會透過tensorflow對這個區域進行標註，裁剪的圖片就是從這個區域中選擇的。

3、隨機變化圖片的引數(翻轉、亮度、飽和度、色度、對比度)

在隨機變化圖片引數的時候，tensorflow提供了一種fast_mode模型，從名字上理解就是快速模型，在fast_mode模型中沒有做比較耗時處理的色度變換和對比度變換，由於引數變換的順序也會影響最終生成的圖片，在變換引數的時候也還加入了不同變化順序。

a、隨機水平翻轉

# 隨機水平翻轉

distorted_image = tf.image.random_flip_left_right(distorted_image)

b、亮度、飽和度、色度、對比度的隨機變換

distorted_image = tf.subtract(distorted_image, 0.5)#減去0.5

distorted_image = tf.multiply(distorted_image, 2.0)#乘以2

第一步將圖片轉換到[0,1]區間內，透過除以255，透過最後兩步可以將圖片轉換到[-1,1]區間內。將圖片轉換到[0,1]區間，其實就是做了一個0(最小值)/255(最大值)的變化，將圖片轉換到[-1,1]區間相當於做了128(最小值)/128(最大值)，實驗證明[-1,1]區間比[0,1]的準確率要高一些。

注意：對圖片的畫素區間做了轉換之後，在預測圖片類標的時候，也需要對圖片的畫素區間進行相同的縮放。